Ausgewählte Referenzen Data Mining zur Prozessoptimierung im Glasblankpressen

Transkript

1 Data Mining zur Prozessoptimierung im Glasblankpressen Data Mining in der Optikfertigung Design und Entwicklung von Datenbank-Konzepten zur Sammlung von Prozess- und Produktdaten entlang der Prozesskette zur Optik-Herstellung (Werkzeug, Wafer, Presstechnologie, Optik etc.) Datenimport durch Anlagenvernetzung, standardisierte Datenformate und manuelle Front-Ends Import in Data-Mining-Software wie RapidMiner Advanced-Analytics zur Ableitung von Prozessverbesserungen durch neuronale Netze, FTA etc. Front-End Technologie- Datenbank Advanced-Analytics Erweitertes Prozesswissen und vollständige Transparenz durch lückenlose Datenerfassung, -sammlung und -aufbereitung Abhängigkeiten zwischen Maschinenparameter und erzielbarer Prozess- und Produktqualität Nachhaltige Prozessverbesserung in Bezug auf Qualität, Zeit und Kosten Bildquellen: Fraunhofer IPT Seite 3

2 Data Mining zur Herstellung individueller Medizinprodukte Individualisierung von Medizinprodukten Erfassung aller relevanten Daten entlang der Prozesskette Vollständiges Prozess-Monitoring Konzepterstellung zur Prozesslenkung von Kleinund Einzelserien Data Mining zur Prozessanalyse Unterstützung des Prozessplaners und Maschinenbedieners durch Vorhersage der Prozesseinstellungen Transparenz und Rückverfolgbarkeit des individuellen Produktes und Prozesses Lückenlose Datenerfassung und -verarbeitung Produktgesteuerte Auswahl der Prozesseinstellungen Entlastung der Mitarbeiter bei der Herstellung risikoträchtiger Produkte Seite 4

3 Data-Mining-Analyse eines Fräsprozesses Integration von In-Prozess-Messtechnik zur Werkzeugüberwachung (Verschleiß) Werkstücküberwachung (Geometrie, Rauheit) Prozessüberwachung Automatisierung der Analyse von Produkt-, Prozessund Werkzeugdaten mittels Data-Mining-Tools Prozessoptimierung durch Wissen Entwicklung von Prognose-Algorithmen zur Vorhersage von Qualitätsparametern am Werkstück Planning Test setup Data acquisition Planning-Matrix Number X1 X2 X3 X4 n [1/min] fz [mm] βfn [ ] , , , , , , , , , , Analysis Optimization Innovative Messsysteme und automatisierte Datenaufnahme ausgehend vom NC-Programm Relationale Datenbank zur Verwaltung aller Produkt-, Prozess- und Werkstückdaten Data-Mining-Modelle für spanende Prozesse Vorhersage von Fräsparametern, basierend auf Qualitäts- und Zeitanforderungen des Prozesses Bildquellen: Fraunhofer IPT Seite 5

4 Analyse der Zuverlässigkeit selbstoptimierender Produktionssysteme Industrie 4.0 sicher und zuverlässig Reward 0,7 0,6 0,5 0,4 0,3 0,2 0,1 R = Lernzyklen Entwicklung von Modellen und Beschreibungsformen für künstlich intelligente Optimierungsalgorithmen Anpassung klassischer Methoden des Risikomanagements auf Bedarfe von Industrie 4.0 und cyber-physischen Systemen Direkter Transfer von n der aktuellen Forschung in industrielle Anwendungen Umfangreiches Set an Werkzeugen und Methoden für die Absicherung künstlich intelligenter Produktionssysteme Quantifizierbare Zuverlässigkeitsbetrachtung für Industrie 4.0 und cyber-physische Systeme Safety und Security für vernetzte, autonome Systeme verstehen und verbessern Seite 6

5 Cloudbasierte Wareneingangsprüfung Digitale Wareneingangsprüfung Welche(r) Datentyp(en)? (Tabellen, Bilder, PDF, ) Welche Datenbank? Public/Private Cloud? Wer betreibt die Cloud? Ablegen der Prüfdaten in der Cloud Speicherkapazität Rechenkapazität Software in der Cloud oder anwenderbasiert? In ERP einbinden? Wie wird verbunden? Auftragsspezifische Prüfdatenabfrage Wie werden die Daten weiterverarbeitet? Zu welchem Zweck? Schnittstellen- und Datenbezogene Anforderungsanalyse Konzeptionierung der cloudbasierten Wareneingangsprüfung Entwicklung unternehmensspezifischer Softwareapplikationen und Implementierung/ Migration der IT-Bestände Einführungs- und Schulungskonzept Lastenheft für eine digitalisierte und vernetzte Wareneingangsprüfung Datensicherheitskonzept Pflichtenheft des Gesamtkonzeptes Lauffähiges Cloud-System Einführungs- und Schulungskonzept Seite 7

6 Simulation von Produktionsrisiken zur Lagerbestandsoptimierung Eintrittsw keit VaR Auswirkung Kosten Szenario 1 Lagerbestände optimal auslegen Szenario 2 Szenario 3 1. Prozessmodellierung 2. Risikomodellierung Interquartil Risiko Lager Bestellung Zielabhängige Prozessmodellierung auf Grundlage des SCOR-Modells und SIPOC Zielabhängige Risikomodellierung anhand von Methoden zur Risikoidentifikation nach IEC Unternehmensspezifische Modellparametrisierung Ereignisdiskrete und kontinuierliche Simulation Prozessbezogene Risikoanalyse Maßnahmenabhängige Szenarioanalysen 4. Bewertung & Maßnahmendefinition Zugangsverlauf Bestand Abgangsverlauf Delay Quantity Risk Quality Risk Financial Risk 3. Simulation Prozessbezogene Risikotransparenz Risiko- und Lessons-learned-Inventar Risikokosten-Kalkulation (z.b. VaR oder CFaR) Szenarioanalysen Wirksamkeitsanalyse risikobehandelnder Maßnahmen Management Summary Bildquellen: Fraunhofer IPT Seite 8

7 Risikomanagement in Großprojekten Kundenreferenz»Risk Excellence«: Åsgard subsea gas compression Dynamisch skalierbar:»risk Excellence«Umfeld- und Anforderungsanalyse zur skaliert und individuell angepassten Gestaltung der Vorgehensweise für das jeweilige Projekt Projektbegleitende Exekution von»risk Excellence«durch nahtlose Integration in das Projektgeschäft Integration in die projektspezifische Kunden- und Lieferantenabwicklung Erhebung von KPI zur proaktiven Risikosteuerung Systematischer Ansatz erhöht Akzeptanz bei Mitarbeitern und schafft Risikobewusstsein Proaktive Identifikation und Mitigierung technischer und prozessualer Projektrisiken reduziert Kosten und Verzögerungen Professionelle Kommunikation erhöht wahrgenommene Kompetenz bei Projektpartnern Bildquellen: MAN Diesel & Turbo, Aker Solutions Seite 9